Kunnen werkgevers zien of je ChatGPT voor je cv hebt gebruikt?

Je hebt je bullets in ChatGPT herschreven, het bestand verstuurd, en nu vraag je je af of er aan de andere kant iets is gemarkeerd. Dit deel gaat over wat een AI-tekstdetector werkelijk oplevert wanneer er een cv in gaat. Kort gezegd: een kansscore, geen bewijs.

Detectoren werken statistisch. Ze meten hoe voorspelbaar de woordkeuze is en hoezeer het zinsritme varieert, en zetten dat om in een kans dat een model de tekst schreef. De uitkomst is een gok over het schrijven, geen registratie van wat het intikte. Een bestand draagt geen spoor van het hulpmiddel dat de zinnen maakte, dus valt er niets te controleren, zelfs als een recruitmentteam dat wil.

En een cv is zo ongeveer de slechtst denkbare invoer voor die methode. Het is kort, opgebouwd uit bullets, dicht bezaaid met trefwoorden en geschreven volgens een sjabloon dat decennia ouder is dan ChatGPT. Parallelle structuur, krachtige actiewerkwoorden en strakke regels met cijfers zijn precies wat cv-advies al jaren aanraadt, en precies wat een taalmodel produceert. Detectoren markeren door mensen geschreven cv's om dezelfde reden als gegenereerde. OpenAI trok in 2023 zijn eigen AI-tekstclassificatie terug na lage nauwkeurigheid in de praktijk, wat goed aangeeft hoeveel gewicht een losse score verdient.

De bredere vraag hoe hard detectieclaims zijn, staat onder /answers/topic/detectability.

De route die een cv aflegt is vooraan machinaal en achteraan menselijk. Een parser haalt de tekst eruit, een rangschikkingsstap vergelijkt die met de vacature, en een recruiter leest wat overblijft. Geen van die stappen vraagt wie de woorden tikte. Ze vragen of de inhoud bij de functie past en of de details kloppen met elkaar.

Neem een backend-engineer die solliciteert op een seniorfunctie bij een betaalbedrijf. In haar cv staat dat ze de p99-latentie van de settlementservice met een derde verlaagde. Niemand haalt die regel door een detector. Een recruiter vraagt ernaar in het telefonische gesprek, en het antwoord heeft een vorm, waar de bottleneck zat, wat er veranderde, hoe het gemeten werd, of het heeft die niet. Dat gesprek is de enige detector in het proces die betrouwbaar werkt.

Daarom is de auteursvraag vooral kandidaatstress en is de consistentievraag de operationele. Data die niet kloppen, een functietitel die tussen twee sollicitaties groeit, een cijfer dat niemand kan reconstrueren: dat valt mensen op, en dat zijn de fouten die echt gesprekken kosten. De rest van het cv-materiaal staat onder /answers/topic/resume.

De schade van met een model schrijven is reëel, maar landt ergens anders dan bij detectie. Drie faalvormen verklaren het meeste ervan.

• Algemene formuleringen. Een model schrijft richting het gemiddelde van alles wat het zag, dus jouw bullets lezen als die van elke andere kandidaat. Dat is een rangschikkingsprobleem, geen detectieprobleem, en het komt het vaakst voor.
• Beweringen die je niet kunt verdedigen. Als het model je verantwoordelijkheid opblies of een getal verzon om een regel te vullen en je liet het staan, legt het telefonische gesprek dat bloot. Het risico was nooit het cv, maar de vervolgvraag.
• Geen band met de vacature. Een model dat de functieomschrijving niet heeft gelezen schrijft voor een algemene versie van de rol, terwijl de rangschikkingsstap je met een specifieke vergelijkt.

De oplossing is in alle drie gevallen dezelfde. Houd je eigen cijfers, je eigen verantwoordelijkheid en je eigen woorden aan voor alles wat je later hardop moet bespreken.

Met een model schrijven is prima. De uitvoer ongelezen versturen niet. Een korte controleronde volstaat:

• Toets elk cijfer aan iets wat je kunt aanwijzen. Vervang wat je niet kunt onderbouwen door een nuchtere beschrijving van het werk.
• Lees het cv hardop. Elke regel die je niet in je eigen woorden kunt uitspreken, herschrijf je in je eigen woorden.
• Herschrijf de bullets die van iedereen zouden kunnen zijn. Concrete systemen, randvoorwaarden en resultaten onderscheiden jou van het gemiddelde van de trainingsdata.
• Controleer na opmaakwijzigingen of het bestand nog netjes wordt uitgelezen, want lay-outaanpassingen breken de extractie vaker dan woorden.

Aaron Cao, oprichter van SubcueAI, bouwde de cv-tools rond die taakverdeling. De gratis builder exporteert een PDF met tekstlaag zodat parsers hem kunnen lezen, en de live assistent leest je geüploade cv zodat hij tijdens een gesprek naar je echte achtergrond kan verwijzen. Geen van beide stappen probeert te verhullen hoe het document tot stand kwam, want dat is niet het risico waartegen het loont te ontwerpen. De builder staat op /resume-builder.